Trang chủ › Xử lý giọng nói ngay trên máy

Giải thích khái niệm

Xử lý giọng nói ngay trên máy (on-device) là gì?

Xử lý giọng nói ngay trên máy nghĩa là việc chuyển âm thanh thành chữ diễn ra bên trong chính máy tính của bạn, không gửi bản ghi lên máy chủ nào. Tiếng Anh gọi là on-device, người Việt hay nói gọn là "chạy cục bộ" hoặc "không cần Internet". Trang này giải thích cơ chế, so sánh sòng phẳng với dịch vụ đám mây, và nói rõ vì sao cách làm này đòi hỏi máy Mac chạy Apple Silicon.

Xử lý trên máy nghĩa là gì

Khi bạn nói một câu vào micro, thứ biến âm thanh đó thành chữ là một mô hình nhận dạng giọng nói: một tệp đã được huấn luyện sẵn, nhận vào sóng âm và trả ra chuỗi ký tự. Câu hỏi duy nhất phân biệt hai kiểu sản phẩm là tệp mô hình đó nằm ở đâu và chạy ở đâu.

Với dịch vụ đám mây, mô hình nằm trên máy chủ của nhà cung cấp. Bản ghi của bạn được tải lên, xếp hàng chờ, xử lý ở đó rồi kết quả được gửi ngược về. Với cách làm ngay trên máy — tiếng Anh gọi là on-device, còn người Việt hay nói là "chạy cục bộ", "chạy offline", "không cần Internet" — mô hình được tải về ổ đĩa đúng một lần, và mỗi lần gỡ băng thì chính máy Mac tính lấy. Không có bước tải lên nào cả.

Chỗ dễ nhầm nhất: "mã hoá đường truyền" không phải là xử lý trên máy. Đường truyền có mã hoá thì bản ghi vẫn đến máy chủ của người khác, chỉ là không ai đọc trộm được ở đoạn giữa. Khi xử lý diễn ra ngay trên máy, bước gửi đi không tồn tại, nên những câu hỏi kèm theo nó — lưu ở đâu, lưu bao lâu, ai có quyền truy cập — cũng không phát sinh.

Đám mây và trên máy khác nhau ở đâu

Nói cho công bằng, dịch vụ đám mây có thế mạnh thật: cần gỡ vài trăm giờ ghi âm trong một đêm, cần làm việc từ trình duyệt trên bất kỳ máy nào, cần cả nhóm cùng sửa một bản gỡ băng — đó là sân của họ. Xử lý trên máy thắng ở ba tình huống khác: khi bản ghi không được phép rời khỏi máy, khi không có mạng, và khi bạn không muốn trả tiền theo phút cho một việc mình làm hằng ngày.

Vì sao trước đây việc này phải làm trên máy chủ

Mô hình cỡ lớn cần nạp hàng gigabyte trọng số vào bộ nhớ mà chip đồ hoạ đọc được. Trên máy tính truyền thống, GPU có bộ nhớ riêng tách khỏi RAM nên phải sao chép qua lại, và laptop phổ thông không đủ bộ nhớ GPU để giữ trọn mô hình — thế là mọi thứ bị đẩy lên máy chủ.

Apple Silicon xoá bỏ ranh giới đó: CPU, GPU và bộ xử lý học máy dùng chung một khối bộ nhớ hợp nhất. Mô hình được nạp một lần rồi GPU đọc thẳng, không phải sao chép. Đó là lý do một chiếc MacBook Air không quạt ngày nay làm được việc mà vài năm trước phải gửi lên máy chủ.

Hệ quả rất cụ thể với người mua: Apple Silicon (M1 trở lên) là bắt buộc, không phải khuyến nghị. Máy Mac dùng chip Intel không chạy được ứng dụng này — nói thẳng để bạn khỏi mất công tải về. Hệ điều hành cần macOS 13 (Ventura) trở lên.

Chính xác tới đâu, và phụ thuộc vào cái gì

Chất lượng bản gỡ băng phụ thuộc vào điều kiện thu âm nhiều hơn là vào chuyện mô hình chạy ở đâu. Cùng một mô hình, cùng một máy, kết quả có thể rất khác nhau:

• Khoảng cách micro — người nói cách micro nửa mét cho kết quả tốt hơn hẳn một chiếc điện thoại đặt giữa bàn họp.
• Tiếng ồn nền — điều hoà, quạt, quán cà phê, tiếng gõ bàn phím đều ăn vào độ chính xác.
• Nói chồng lên nhau — hai người cùng nói một lúc là tình huống khó nhất, cả với người gỡ băng thủ công.
• Từ chuyên ngành và tên riêng — tên người, tên công ty, số hiệu văn bản gần như luôn cần soát tay.
• Loa ngoài — bản ghi cuộc gọi phát qua loa rồi thu lại bằng micro là nguồn kém nhất.

Chúng tôi không công bố con số phần trăm độ chính xác, vì chưa có phép đo nào đủ chuẩn để công bố. Cách trung thực hơn: coi bản máy tạo ra là bản nháp cần đọc soát, và tự thử bằng chính bản ghi của bạn.

Riêng với tiếng Việt

Tiếng Việt có thêm vài điểm mà tiếng Anh không có. Sáu thanh điệu và bộ dấu (huyền, sắc, hỏi, ngã, nặng) mang nghĩa, nên máy sai một dấu là câu đổi nghĩa hẳn — lỗi hay gặp nhất là mất dấu hoặc lẫn hỏi với ngã. Tiếng Việt lại viết rời từng âm tiết nên ranh giới từ dễ bị cắt ghép sai. Giọng ba miền cũng cho kết quả không đều nhau, và thói quen chèn tiếng Anh giữa câu ở dân văn phòng cũng ảnh hưởng.

Chúng tôi viết riêng một trang mổ xẻ chuyện này thay vì né tránh: xem nhận dạng giọng nói tiếng Việt có chuẩn không.

Còn chuyện dữ liệu cá nhân thì sao

Giọng nói của một người là thông tin cá nhân, và bản ghi cuộc họp thường chứa thông tin của nhiều người. Điều duy nhất chúng tôi nói được là sự thật về kiến trúc: âm thanh và bản gỡ băng nằm trên máy Mac của bạn, không có bản sao nào được gửi cho chúng tôi hay bên thứ ba nào, ứng dụng không yêu cầu tài khoản và không có bước tải lên.

Chúng tôi không tuyên bố ứng dụng tuân thủ hay được chứng nhận theo bất kỳ quy định bảo vệ dữ liệu nào. Việc đánh giá — ai là bên kiểm soát dữ liệu, có phải thông báo cho người được ghi âm không, lưu trữ và xoá thế nào, quy chế nội bộ của tổ chức bạn ra sao — thuộc về bộ phận pháp chế hoặc tuân thủ của chính bạn. Đây là thông tin tham khảo, không phải tư vấn pháp lý. Phần chi tiết hơn nằm ở trang gỡ băng mà không tải file lên đám mây.

Nếu bạn ghi âm người khác, hãy xin phép trước. Ở Việt Nam, cách làm quen thuộc và cũng là cách an toàn nhất là nói ngay đầu buổi: "mình xin phép ghi âm để làm biên bản" — câu đồng ý của mọi người nằm luôn trong bản ghi. Điều 38 Bộ luật Dân sự 2015 quy định việc thu thập, lưu giữ, sử dụng thông tin về đời sống riêng tư, bí mật cá nhân của người khác phải được người đó đồng ý.

Muốn thử cách làm này trên máy Mac

Lesskeys là ứng dụng macOS được xây theo đúng nguyên tắc trên: nhận dạng giọng nói và tách người nói đều chạy bằng GPU của máy bạn. Nó làm hai việc — gỡ băng các bản ghi cuộc họp, cuộc gọi, phỏng vấn hoặc file có sẵn, và nhập liệu bằng giọng nói: giữ ⌥Space, nói, chữ được chép vào clipboard rồi bạn nhấn ⌘V để dán. Ứng dụng không tự gõ chữ vào ứng dụng khác, nên bạn luôn nhìn thấy câu mình sắp dán. Hỗ trợ 99 ngôn ngữ, tự nhận diện.

Tải về từ Mac App Store là miễn phí. Bản miễn phí cho bạn nhập liệu bằng giọng nói 5 phút mỗi ngày và gỡ băng tổng cộng 5 file audio cùng 5 file video — đây là số trọn đời, không phải mỗi ngày. Việc ghi âm thì không giới hạn, và gỡ băng lại một bản đã gỡ rồi thì không tốn thêm lượt. Dùng vượt mức đó thì mở khoá Pro ngay trong ứng dụng: 49,99 $ trả một lần, không phải thuê bao (khoảng 1,2–1,3 triệu ₫, đây chỉ là ước tính — số tiền thật hiển thị trên App Store Việt Nam).

Muốn xem thao tác cụ thể thì đọc cách chuyển giọng nói thành văn bản trên Mac; nếu bạn đã có sẵn file cần gỡ thì xem chuyển file ghi âm thành văn bản.

Câu hỏi thường gặp

Bài liên quan